論文の概要: V-Zero: Answer-Label-Free On-Policy Distillation with Contrastive Evidence Gating for Fine-Grained Visual Reasoning
- arxiv url: http://arxiv.org/abs/2606.25319v1
- Date: Wed, 24 Jun 2026 02:32:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.19336
- Title: V-Zero: Answer-Label-Free On-Policy Distillation with Contrastive Evidence Gating for Fine-Grained Visual Reasoning
- Title（参考訳）: V-Zero:細粒化ビジュアル推論のためのコントラストエビデンスゲーティングによる無回答オンポリシィ蒸留
- Abstract要約: V-Zeroは、対照的なエビデンスゲーティングを伴う視覚的推論のための答えラベルのないフレームワークである。
V-Zeroは、強い一般化を維持しながら、細粒度の視覚的推論を一貫して改善する。
- 参考スコア（独自算出の注目度）: 43.90964585327785
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fine-grained visual reasoning requires multimodal large language models (MLLMs) to identify task-relevant visual evidence and ground their reasoning in local image regions. Existing agentic methods typically rely on reinforcement learning with verifiable rewards or supervised fine-tuning on large-scale annotated reasoning traces, leading to costly exploration, hand-designed verification rules, or heavy dependence on textual supervision. A natural way to avoid such external answer labels is to learn from trajectories sampled by the student itself, which points to On-Policy Distillation (OPD). To understand what OPD can and cannot provide for visual reasoning, we revisit it as negative-free stop-gradient alignment. This perspective shows that, although OPD provides effective token-level correction, its ceiling is constrained by the absence of trajectory-level discrimination. Motivated by these observations, we propose V-Zero, an answer-label-free framework for visual reasoning with contrastive evidence gating. V-Zero uses no annotated textual answer labels; instead, during training it pairs a question-relevant regional crop with a negative visual view to evaluate student-sampled trajectories and gate dense token-level distillation. Experiments on multiple visual reasoning benchmarks show that V-Zero consistently improves fine-grained visual reasoning while preserving strong generalization. Notably, V-Zero is more than 5$\times$ faster than previous supervised fine-tuning methods and more than 10$\times$ faster than reinforcement learning baselines. Code and dataset will be released at https://github.com/eVI-group-SCU/V-Zero
- Abstract（参考訳）: きめ細かい視覚的推論は、タスク関連視覚的証拠を特定し、それらの推論を局所的な画像領域で根拠付けるために、マルチモーダルな大言語モデル(MLLM)を必要とする。
既存のエージェント的手法は、典型的には、検証可能な報酬を伴う強化学習や、大規模な注釈付き推論トレースの監督された微調整に頼っている。
このような外部の回答ラベルを避けるための自然な方法は、学生自身がサンプリングした軌跡から学ぶことである。
視覚的推論のためにOPDができることとできないことを理解するために、我々はこれを非負の停止勾配アライメントとして再考する。
この視点は、OPDは効果的なトークンレベルの補正を提供するが、その天井は軌道レベルの識別がないために制約されていることを示している。
これらの観察によって動機づけられたV-Zeroは、対照的なエビデンスゲーティングを伴う視覚的推論のための答えラベルなしのフレームワークである。
V-Zeroは注釈付きテキストによる回答ラベルを使わず、訓練中は質問関連地域作物と負の視覚的視点を合わせ、学生がサンプリングした軌跡とゲート密集したトークンレベルの蒸留を評価する。
複数の視覚的推論ベンチマークの実験により、V-Zeroは強い一般化を維持しながら細粒度の視覚的推論を一貫して改善することが示された。
特に、V-Zeroは従来の教師付き微調整手法よりも5$\times$速く、強化学習ベースラインより10$\times$以上速い。
コードとデータセットはhttps://github.com/eVI-group-SCU/V-Zeroで公開される
関連論文リスト
- AffectOmni: RL-Verifiable People-Centric Grounded Affective Reasoning for Social and Art-Related Scenes [59.134503227559634]
マルチモーダル大言語モデル(MLLM)は,VQAとシーン理解において高い性能を発揮する。
モデルは、マイクロ表現やボディランゲージのような人中心の手がかりを無視しながら、正しい答えを予測できる。
本稿では、感情的推論を検証可能なフレームワークであるAffect Omniを提案する。
論文 参考訳（メタデータ） (2026-08-24T11:25:04Z) - Rethinking Reward Supervision: Rubric-Conditioned Self-Distillation [60.55792673956761]
我々は, ルブリックを構造化, きめ細かいフィードバックとして組み込んだフレームワークであるtextbfRubric-Conditioned Self-Distillationを提案する。
その結果, ルーリック条件の自己蒸留は, ルーリックレベルの基準をトークンレベルのガイダンスに効果的に変換することを示した。
論文 参考訳（メタデータ） (2026-06-17T17:54:04Z) - ViCuR: Visual Cues as Recoverable Privilege for Multimodal On-Policy Distillation [5.131753844398592]
ViCuRは視覚的に接地された特権型蒸留フレームワークである。
答え側の特権を視覚的手がかりに置き換える。
答えに基づく自己蒸留よりも継続的に改善される。
論文 参考訳（メタデータ） (2026-06-04T05:18:13Z) - VisionPulse: Dynamic Visual Sparsity for Efficient Multimodal Reasoning [15.03674139835036]
推論中に段階的に視覚的トークンを抽出するフレームワークであるVisionPulseを提案する。
VisionPulseは、推論中に視覚的間隔を強制することにより、関連する視覚的証拠を保持しながら冗長な視覚的コンテキストをフィルタリングし、推論トレースを自然に短縮する。
論文 参考訳（メタデータ） (2026-05-29T15:51:12Z) - V-Zero: Self-Improving Multimodal Reasoning with Zero Annotation [12.164262183956156]
V-Zeroは、ラベルなしの画像による自己改善を容易にする一般的なポストトレーニングフレームワークである。
質問者は、直感的な推測と推論結果を対比する2トラック推論報酬を活用することで、高品質で挑戦的な質問を合成することを学ぶ。
V-ZeroはQwen2.5-VL-7B-Instructで一貫した性能向上を実現し、+1.7の視覚数学的推論と+2.6の一般ビジョン中心を改善した。
論文 参考訳（メタデータ） (2026-01-15T05:47:43Z) - Thinking with Deltas: Incentivizing Reinforcement Learning via Differential Visual Reasoning Policy [75.66913260900726]
検証可能なリワードによる強化学習は、大規模言語モデルにおいてかなり高度な推論能力を持っている。
既存のパラダイムは、テキスト中心の成果報酬によって推進され、モデルが視覚的知覚をバイパスすることを奨励します。
我々はtextbfDifferential Visual Reasoning Policy によって駆動されるフレームワーク Deltas を用いた textbfThinking を提案する。
論文 参考訳（メタデータ） (2026-01-11T08:25:34Z) - DiVE-k: Differential Visual Reasoning for Fine-grained Image Recognition [9.243238586073245]
大規模視覚言語モデル (LVLM) には広範なテキスト知識があるが、この知識を微細な画像認識に利用することは困難である。
Reinforcement Learning (RL) を用いた既存の微調整手法は、しばしば脆弱である。
モデル自身のトップk予測をトレーニング信号として活用するフレームワークであるDiVE-kを提案する。
論文 参考訳（メタデータ） (2025-11-23T06:04:50Z) - Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。
LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
論文 参考訳（メタデータ） (2025-11-15T02:50:23Z) - Self-Rewarding Vision-Language Model via Reasoning Decomposition [49.784411666601905]
VLM(Vision-Language Models)はしばしば視覚幻覚に悩まされ、実際に画像にないものや言語ショートカットが語られる。
本稿では,外部視覚監督に頼らずに視覚推論を改善する自己回帰手法であるVision-SR1を紹介する。
我々の実験は、Vision-SR1が視覚的推論を改善し、視覚幻覚を緩和し、言語ショートカットへの依存を減らすことを示した。
論文 参考訳（メタデータ） (2025-08-27T08:01:03Z) - Seg-Zero: Reasoning-Chain Guided Segmentation via Cognitive Reinforcement [52.66700314820547]
Seg-Zeroは、顕著な一般化可能性を示し、認知的強化を通じて明確な連鎖推論を導出する新しいフレームワークである。
Seg-ZeroはGRPOによる強化学習と明確な推論データなしでのみ訓練される。
実験の結果、Seg-Zero-7BはReasonSegベンチマークで57.5のゼロショット性能を達成し、以前のLISA-7Bを18%上回った。
論文 参考訳（メタデータ） (2025-03-09T08:48:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。